Multiscale autoregressive modeling generates ordered protein conformational trajectories
यह शोध पत्र TEMPO को प्रस्तुत करता है, जो एक पदानुक्रमित ऑटोरेग्रेसिव मॉडल (hierarchical autoregressive model) है जो अल्फाफ्लो (AlphaFlow) जैसे मौजूदा तरीकों से बेहतर प्रदर्शन करते हुए, त्रुटि संचय (error accumulation) को काफी कम करके और आणविक गतिशीलता (molecular dynamics) डेटा के प्रति उच्च निष्ठा के साथ, लंबी, क्रमबद्ध प्रोटीन संरचनात्मक प्रक्षेपवक्रों (protein conformational trajectories) को कुशलतापूर्वक उत्पन्न करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। यह एक ऐसे प्रीप्रिंट की AI से तैयार की गई व्याख्या है जिसकी अभी सहकर्मी समीक्षा नहीं हुई है। यह चिकित्सकीय सलाह नहीं है। इस सामग्री के आधार पर स्वास्थ्य संबंधी फैसले न लें। पूरा डिस्क्लेमर पढ़ें
प्रोटीन जीवन की कार्यशील मशीनें हैं, सूक्ष्म आणविक संरचनाएं जो ऑक्सीजन ले जाने, संक्रमण से लड़ने या कोशिकाओं के बीच संकेत भेजने जैसे कार्यों को करने के लिए विशिष्ट आकारों में मुड़ती हैं। हालाँकि, ये मशीनें स्थिर मूर्तियाँ नहीं हैं; वे निरंतर चलती रहती हैं, सांस लेती हैं और अपना काम पूरा करने के लिए अपने आकार को बदलती रहती हैं। एक प्रोटीन बंद स्थिति में शुरू हो सकता है, किसी अणु को पकड़ने के लिए खुल सकता है, और फिर उसे बदलने के लिए बंद हो सकता है। वैज्ञानिक लंबे समय से जानते हैं कि इन गतिविधियों को समझना उतना ही महत्वपूर्ण है जितना कि अंतिम आकार को जानना, क्योंकि एक अवस्था से दूसरी अवस्था तक पहुँचने का मार्ग अक्सर इस बात की कुंजी होता है कि यह कैसे कार्य करता है या इसे किसी दवा द्वारा कैसे रोका जा सकता है। दशकों से, शोधकर्ताओं ने शक्तिशाली कंप्यूटरों का उपयोग करके इन गतिविधियों का अनुकरण करने का प्रयास किया है जो प्रत्येक परमाणु के भौतिकी की गणना करते हैं, लेकिन ये सिमुलेशन अविश्वसनीय रूप से धीमे और महंगे हैं, जो अक्सर एक एकल प्रोटीन की कुछ सेकंड की गति उत्पन्न करने के लिए हफ्तों का समय लेते हैं। इस सीमा ने विभिन्न प्रोटीनों के कैसे हिलते हैं इसका अध्ययन करना या कई अलग-अलग अणुओं के मार्गों की तुलना एक साथ करना कठिन बना दिया है।
इस समस्या को हल करने के लिए, शोधकर्ताओं की एक टीम ने TEMPO नामक एक नया आर्टिफिशियल इंटेलिजेंस टूल विकसित किया है जो पहले के समय की तुलना में बहुत कम समय में प्रोटीन की लंबी, व्यवस्थित अनुक्रमित गतिविधियों को उत्पन्न कर सकता है। परमाणुओं के बीच प्रत्येक एकल भौतिक बल की गणना करने के बजाय, TEMPO मौजूदा हजारों कंप्यूटर सिमुलेशन से सीखता है कि प्रोटीन स्वाभाविक रूप से समय के साथ कैसे विकसित होते हैं। यह प्रणाली एक दो-गति वाले कैमरे की तरह काम करती है: यह पहले प्रोटीन के आकार में बड़े, धीमे बदलावों की भविष्यवाणी करती है, जो एंकर पॉइंट (लंगर बिंदु) के रूप में कार्य करते हैं, और फिर उन एंकरों के बीच होने वाली तीव्र, छोटी हलचल और उतार-चढ़ाव को भरती है। यह दृष्टिकोण मॉडल को प्रोटीन के जीवन चक्र की एक सहज, निरंतर फिल्म बनाने की अनुमति देता है, जिसमें वे त्रुटियां नहीं होती हैं जो आमतौर पर लंबे समय तक चरण-दर-चरण भविष्यवाणी करने की कोशिश करने वाले कंप्यूटरों में जमा हो जाती हैं। शोधकर्ताओं ने इस पद्धति का परीक्षण विभिन्न प्रकार के प्रोटीनों पर किया, जिसमें वे एंजाइम शामिल हैं जो कोशिकाओं को ऊर्जा बनाने में मदद करते हैं और काइनेज (kinases) नामक प्रोटीनों का एक बड़ा परिवार जो कई कोशिकीय प्रक्रियाओं को नियंत्रित करते हैं।
परिणाम दर्शाते हैं कि TEMPO उल्लेखनीय सटीकता के साथ वास्तविक प्रोटीन गतिविधियों के सांख्यिकीय गुणों को पुन: उत्पन्न कर सकता है। जब टीम ने उत्पन्न किए गए अनुक्रमों की भौतिकी-आधारित सिमुलेशन के 'गोल्ड स्टैंडर्ड' से तुलना की, तो नए मॉडल ने गति के अपेक्षित पैटर्न से लगभग पूरी तरह मेल खाया। उदाहरण के लिए, मॉडल ने सही ढंग से भविष्यवाणी की कि प्रोटीन के विभिन्न हिस्से कितनी हलचल करेंगे और समग्र आकार कैसे बदलेगा, जिससे एक ऐसा स्तर की सहमति प्राप्त हुई जो पिछले तरीकों से कहीं अधिक था। एक विशिष्ट परीक्षण में, जिसमें एक प्रोटीन शामिल था जो क्लैम (सीप) की तरह खुलता और बंद होता है, मॉडल ने बंद अवस्था से खुली अवस्था तक एक निरंतर पथ सफलतापूर्वक उत्पन्न किया, जो संपर्कों के परिवर्तन की एक तार्किक प्रगति को दर्शाता है जैसा कि वैज्ञानिक वास्तविक प्रयोगों में देखते हैं। इस नई पद्धति की गति भी एक बड़ी सफलता है; 400 फ्रेम का एक अनुक्रम उत्पन्न करने में एक मिनट से भी कम समय लगा, जो पुराने तरीकों के साथ घंटों या दिनों का काम होता।
केवल गति और सटीकता के अलावा, अध्ययन ने प्रदर्शित किया कि TEMNO को विशिष्ट प्रकार की गतिविधियों को उत्पन्न करने के लिए निर्देशित किया जा सकता है। शोधकर्ताओं ने दिखाया कि वे मॉडल को विशिष्ट स्थानीय आकारों में प्रोटीन उत्पन्न करने के लिए निर्देशित कर सकते हैं, जैसे कि एक रासायनिक मोटिफ (motif) का एक विशिष्ट विन्यास जिसे DFG कहा जाता है, जो कई दवाओं के लिए एक महत्वपूर्ण लक्ष्य है। पीढ़ी प्रक्रिया के दौरान सरल नियमों को लागू करके, वे मॉडल को ऐसी संरचनाएं बनाने के लिए निर्देशित कर सके जो इन प्रोटीनों की "ऑन" या "ऑफ" अवस्थाओं की तरह दिखती थीं, और उन्होंने विभिन्न काइनेज के लिए इसे सफलतापूर्वक किया। यह सुझाव देता है कि मॉडल ने प्रोटीन की लचीलेपन के अंतर्निदम नियमों को इतनी अच्छी तरह से सीख लिया है कि प्रत्येक नए प्रोटीन के लिए पुन: प्रशिक्षित किए बिना इसे विशिष्ट परिणामों की ओर निर्देशित किया जा सकता है। टीम ने टूल को जी-प्रोटीन-कपल-रिसेप्टर्स (G protein-coupled receptors) नामक प्रोटीनों के एक समूह पर भी लागू किया, जो कोशिका झिल्ली में अंतर्निहित होते हैं और पर्यावरण को महसूस करने में शामिल होते हैं, जिससे पता चला कि मॉडल उस ज्ञान को उन प्रोटीनों पर स्थानांतरित कर सकता है जिन्हें उसने पहले कभी नहीं देखा था।
अध्ययन पुष्टि करता है कि प्रोटीन एक पदानुक्रमित तरीके से चलते हैं, जहाँ धीमी, बड़े पैमाने की परिवर्तन तेज़, स्थानीय कंपन के लिए ढांचा प्रदान करते हैं। इन दो पैमानों की गति को अलग करके, शोधकर्ता कंप्यूटर को पथ से भटकने से रोकने में सक्षम हुए, जो एक सामान्य समस्या है जहाँ छोटी त्रुटियां समय के साथ जमा होकर एक निरर्थक अंतिम आकार बना देती हैं। जबकि टूल का वर्तमान संस्करण प्रोटीन की बैकबोन संरचना पर ध्यान केंद्रित करता है और अभी तक इसमें आसपास का पानी, आयन या रासायनिक लिगेंड शामिल नहीं हैं, यह विभिन्न प्रोटीनों के कैसे हिलते हैं इसकी तुलना करने के लिए एक शक्तिशाली नया ढांचा प्रदान करता है। यह क्षमता तेजी से यह जांचने का द्वार खोलती है कि उत्परिवर्तन (mutations) या दवाएं प्रोटीन के गतिशील व्यवहार को कैसे बदल सकती हैं, जो जीवन की आणविक मशीनरी को देखने के लिए एक नया लेंस प्रदान करती है। यह कार्य विस्तृत भौतिक सिमुलेशन की आवश्यकता को प्रतिस्थापित नहीं करता है, बल्कि एक तीव्र, विश्वसनीय पूरक प्रदान करता है जो वैज्ञानिकों को प्रोटीन गति के विशाल परिदृश्य को उस स्पष्टता और गति के साथ तलाशने की अनुमति देता है जो पहले पहुंच से बाहर थी।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।